无码精品一区二区三区在线,欲性游乐场(高H),日日橹狠狠爱欧美视频,欧美日韩精品

機(jī)載LiDAR和高光譜融合實(shí)現(xiàn)溫帶天然林樹種識(shí)別

1 引 言 

遙感技術(shù)應(yīng)用于森林樹種分類已有多年的研究，但多限于光學(xué)數(shù)據(jù)。高光譜傳感器由于超細(xì)的窄波段設(shè)計(jì)，其光譜響應(yīng)比寬波段的多光譜數(shù)據(jù)更靈敏，可更好地實(shí)現(xiàn)冠層生物物理參數(shù)和化學(xué)參數(shù)的估測(cè)，并成功應(yīng)用于樹種分類。Buddenbaum等人對(duì)HyMap數(shù)據(jù)選用光譜角填圖及最大似然兩種分類方法，對(duì)德國(guó)西部的針葉林區(qū)進(jìn)行了樹種及林齡的劃分; Goodenough等人利用Hyperi-on、ALI和ETM+3種遙感數(shù)據(jù)對(duì)加拿大維多利亞地區(qū)的5種森林類型進(jìn)行了分類; Xiao等人利用AVIRIS數(shù)據(jù)及分層分類技術(shù)實(shí)現(xiàn)了城區(qū)樹種的填圖; 宮鵬等人利用高分辨率光譜儀實(shí)地測(cè)得光譜數(shù)據(jù)識(shí)別美國(guó)加州的6種主要針葉樹種，采用相鄰窄波段逐步加寬的方法，測(cè)試不同波段寬 度對(duì)樹種識(shí)別精度的影響。但光學(xué)數(shù)據(jù)的成像方式僅是對(duì)地物水平格局的描述，對(duì)于高覆蓋度的森林，由于其地形起伏，樹冠特征復(fù)雜等因素，僅憑光學(xué)遙感對(duì)其進(jìn)行樹種制圖尚存在很大難度。LiDAR的傳感器能夠主動(dòng)向被測(cè)目標(biāo)發(fā)射特定波長(zhǎng)(如1550nm)的電磁波，其脈沖信號(hào)可以穿透樹冠表層枝葉、樹干，到達(dá)地面，與地物作用發(fā)生反射和散射，部分光波最終被傳感器接收。通過測(cè)量地面采樣點(diǎn)激光回波脈沖相對(duì)于發(fā)射激光主波之間的時(shí)間延遲，得到傳感器到地面采樣點(diǎn)之間的距離，從而測(cè)量地表起伏狀況，獲得森林垂直結(jié)構(gòu)等信息，因此林業(yè)上多用LiDAR數(shù)據(jù)提取森林垂直結(jié)構(gòu)參數(shù)。特別是機(jī)載小光斑LiDAR，其傳感器的采樣密度大，光斑直徑小(1m左右)，更適合小范圍森林參數(shù)的精確提取。Brandtberg等人對(duì)維吉尼亞州西部闊葉混交林的研究表明，用落葉的LiDAR數(shù)據(jù)的NIR反射強(qiáng)度數(shù)據(jù)和LiDAR的高程數(shù)據(jù)相結(jié)合可用于某些闊葉樹種的分類; Dalponte等人將LiDAR獲得的高度信息，加入到復(fù)雜林分樹種的分類中，得出LiDAR首回波的高度信息對(duì)于分離光譜特征相似、但平均高度不同的樹種是非常有效的結(jié)論; 龐勇等人利用低密度和高密度的LiDAR點(diǎn)云數(shù)據(jù)，分別進(jìn)行了林分平均高度的反演試驗(yàn)，結(jié)果表明分位數(shù)法可以很好地進(jìn)行林分平均高的估計(jì)。也有一些學(xué)者開展了基于LiDAR回波強(qiáng)度信息對(duì)樹種分類的研究(Holmgren等)。rka等人的研究表明，僅利用強(qiáng)度信息對(duì)針、闊葉林分類，可達(dá)到73%的分類精度。Reitberger等人利用高斯分解方法對(duì)波形數(shù)據(jù)處理并獲取每個(gè)回波的三維坐標(biāo)、強(qiáng)度及波形寬度信息，成功對(duì)Bavarian國(guó)家森林公園進(jìn)行了針、闊葉林的非監(jiān)督分類。 

盡管高光譜數(shù)據(jù)有精細(xì)的光譜信息，但區(qū)分光譜特征相似的樹種仍然受限;而LiDAR雖然可以獲取高精度的3維垂直結(jié)構(gòu)信息，但缺少相應(yīng)的光譜信息，仍然很難對(duì)復(fù)雜森林類型進(jìn)行分類。將高光譜LiDAR數(shù)據(jù)相結(jié)合，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，并應(yīng)用于林業(yè)已成為一個(gè)新的研究熱點(diǎn)，并且已有一些學(xué)者在該領(lǐng)域開展了相關(guān)研究(Asner等和Thomson; Trevor 等) 。在中國(guó)這兩種數(shù)據(jù)融合在林業(yè)上的應(yīng)用還不多見，對(duì)于北方溫帶天然林樹種分類的能力如何尚不夠明確;另外，目前分類使用的訓(xùn)練樣本大多采用目視解譯手動(dòng)獲取，效率較低。

因此本文利用3維結(jié)構(gòu)及精細(xì)光譜的雙重優(yōu)勢(shì)，嘗試訓(xùn)練樣本的自動(dòng)提取方法，在此基礎(chǔ)上進(jìn)行樹種識(shí)別，評(píng)估機(jī)載LiDAR和高光譜融合對(duì)溫帶天然林樹種識(shí)別的能力。 

2 研究區(qū)與數(shù)據(jù) 

2．1 研究區(qū)概況 

研究區(qū)位于黑龍江省伊春市帶嶺區(qū)涼水國(guó)家級(jí)自然保護(hù)區(qū)(47°10'50″N,128°53'20″E)。地處歐亞大陸東緣，小興安嶺南坡達(dá)里帶嶺支脈的東坡，海拔高度在280—707m之間，為典型的低山丘陵地貌，具有明顯的溫帶大陸性季風(fēng)氣候特征。年平均氣溫－0.3℃，年平均降水量676mm，年平均相對(duì)濕度78%，無霜期為100—120d。境內(nèi)地帶性土壤為山地暗棕壤。氣候特點(diǎn): 春季風(fēng)大; 夏季氣溫較高，降雨集中; 秋季降溫急劇; 冬季漫長(zhǎng)，寒冷干燥而多風(fēng)雪。保護(hù)區(qū)面積為12133ha，森林總蓄積量170萬m3，區(qū)內(nèi)自然資源豐富，植被群落類型復(fù)雜多樣，主要保護(hù)對(duì)象是以紅松(Pinus koraiensis)為主的溫帶針闊葉混交林生態(tài)系統(tǒng)，還有國(guó)家重點(diǎn)保護(hù)野生植物水曲柳(Fraxinus mandshurica)、黃菠蘿(Phllodendron amurense)、胡桃楸(Juglans mandshurica)等。 

2．2 數(shù)據(jù)獲取 

2.2.1 遙感數(shù)據(jù)獲取 

運(yùn)-5小型多用途飛機(jī)承擔(dān)本次飛行任務(wù)，于2009年8月23日和9月4日分別搭載高光譜傳感器(CASI-1500)和LiDAR傳感器(LMS-Q560)在水自然保護(hù)區(qū)上空進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集。飛行地速180km/h，總覆蓋面積約為208.8km2，數(shù)據(jù)獲取當(dāng)天晴朗無(少) 云。傳感器參數(shù)詳見表1。

2.2.2 地面數(shù)據(jù)獲取 

2010年8月，對(duì)飛行區(qū)域進(jìn)行樣地?cái)?shù)據(jù)的地面調(diào)查。樣地重點(diǎn)選取在研究區(qū)內(nèi)珍貴或優(yōu)勢(shì)的樹種區(qū)，視樣地類型分別設(shè)置邊長(zhǎng)為30m、40m、50m的方形樣地每木檢尺:重點(diǎn)是用激光測(cè)距/測(cè)高儀TruPulse 360)測(cè)量樹高及枝下高，該儀器由于將激光發(fā)射點(diǎn)和視線設(shè)計(jì)在同一直線上，減小了測(cè)量誤差，測(cè)距精度300m以內(nèi)為±0.3m，角度測(cè)量精度為±0.25°，保證了高度測(cè)量的準(zhǔn)確性。另外還記錄了單木坐標(biāo) (拓普康全站儀),以及胸徑、冠幅等基本測(cè)樹因子。本研究區(qū)域覆蓋4塊方形樣地，1塊沿路兩側(cè)帶狀樣地，共1192株樹，樹種主要包括: 紅松、云冷杉、落葉松和白樺等。

3 研究方法 

本文利用LiDAR獲取的垂直結(jié)構(gòu)信息，根據(jù)實(shí)測(cè)的各樹種樹高分布統(tǒng)計(jì)，對(duì)高光譜影像進(jìn)行分層空間掩膜處理，一是去除林間空隙等非樹木像元的干擾，提取冠層子集; 二是對(duì)于不同的樹種，其訓(xùn)練樣本在特定樹高對(duì)應(yīng)的光譜空間提取; 再結(jié)合光譜微分和曲線匹配技術(shù)，實(shí)現(xiàn)自動(dòng)提取訓(xùn)練樣本; 然后應(yīng)用支持向量機(jī)(SVM)分類器，開展僅使用CASI數(shù)據(jù)和CASI+LiDAR(CASI+CHM)數(shù)據(jù)的樹種分類精度比較試驗(yàn)。技術(shù)路線見圖1。 

3．1 遙感數(shù)據(jù)處理 

3.1.1 機(jī)載LiDAR數(shù)據(jù)處理 

機(jī)載LiDAR數(shù)據(jù)處理包括數(shù)據(jù)預(yù)處理和數(shù)據(jù)后處理，前者一般由數(shù)據(jù)提供商完成，用戶得到點(diǎn)云數(shù)據(jù)產(chǎn)品; 后者由用戶根據(jù)各自需求完成，主要是對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行濾波分類，從激光點(diǎn)云中分離出地形表面激光點(diǎn)云數(shù)據(jù)子集以及區(qū)分不同地物激光點(diǎn)云數(shù)據(jù)子集。本文儀器中通過迭代、孤立點(diǎn)和閾值等算法濾波，對(duì)點(diǎn)云產(chǎn)品進(jìn)行地面點(diǎn)和非地面點(diǎn)的分離。對(duì)已分類點(diǎn)云數(shù)據(jù)中的地面點(diǎn)通過不規(guī)則三角網(wǎng)(TIN) 插值運(yùn)算生成DEM，首回波點(diǎn)插值生成DSM(Digital Sur-face Model)。DSM與DEM進(jìn)行柵格差值運(yùn)算得到高程歸一化后的數(shù)字冠層高度模型CHM(Canopy Height Model)。

3.1.2 機(jī)載高光譜數(shù)據(jù)的預(yù)處理 

數(shù)據(jù)提供商對(duì)機(jī)載高光譜數(shù)據(jù)CASI進(jìn)行了系統(tǒng)輻射定標(biāo)，還需要通過大氣校正，消除成像時(shí)光照和大氣對(duì)地物反射率的貢獻(xiàn)，反演地物本身的真實(shí)反射率，從而有利于地表特征的提取。機(jī)載數(shù)據(jù)受大氣影響相對(duì)較小，所以比較容易糾正，結(jié)合前人研究，認(rèn)為經(jīng)驗(yàn)線性法可操作性好，更適合低空機(jī)載小范圍數(shù)據(jù)的大氣校正，因而本文采用經(jīng)驗(yàn)線性法對(duì)CASI數(shù)據(jù)進(jìn)行大氣校正。 

經(jīng)驗(yàn)線性法假設(shè)圖像DN值與反射率之間存在線性關(guān)系，建立飛行同步測(cè)量的地面反射率光譜和影像對(duì)應(yīng)區(qū)域的DN值之間的關(guān)系式，通過線性回歸使各波段的DN值轉(zhuǎn)化為反射率，以消除大氣影響。地面目標(biāo)一般選擇空間上足夠大，近似朗伯體、無斜坡且無植被覆蓋的均勻地物，盡量減小雙向反射影響和鄰近效應(yīng)。圖2是經(jīng)驗(yàn)線性法對(duì)研究區(qū)植被大氣校正前后的比較圖。圖上可以看出，大氣校正前(虛線) 的光譜曲線在可見光波段反射值偏高，與近紅外肩部的反射率差值較小，藍(lán)波段的吸收谷和綠波段的小反射峰區(qū)分均不明顯，并且近紅外波段有多處明顯的吸收帶; 而大氣校正后(實(shí)線)的光譜曲線突出了谷底和峰值，并且近紅外波段形成明顯的高反射峰，符合植被的光譜曲線特征。因此認(rèn)為經(jīng)驗(yàn)線性法已經(jīng)較好地去除了光照和大氣的影響，數(shù)據(jù)可以用于后續(xù)的研究。 

3.1.3 機(jī)載LiDAR與高光譜數(shù)據(jù)的互配準(zhǔn) 

機(jī)載LiDAR得到的CHM與CASI在融合應(yīng)用之前，需先進(jìn)行互配準(zhǔn)。利用地面點(diǎn)云數(shù)據(jù)經(jīng)TIN插值得到的0.5m高分辨率DEM,對(duì)CASI進(jìn)行正射校正，消除因地形起伏等原因造成的圖像變形; 將LiDAR CHM最鄰近法重采樣為與CASI相同的空間分辨率1.5m，并在兩影像上沿著道路或平坦區(qū)

典型地物選取20個(gè)控制點(diǎn)，根據(jù)最小二乘法得到控制點(diǎn)對(duì)的平均誤差在2m以內(nèi)，即約1個(gè)像元，因此認(rèn)為本文兩種數(shù)據(jù)源的互配準(zhǔn)是可信的。圖3為CA-SI與LiDAR CHM同名地物比較。

3．2 提取冠層子集 

在高覆蓋度天然林區(qū)，林間空隙下的低矮灌木和草地的覆蓋度也非常高，其像元的光譜特征可能與某些林地像元的光譜特征相近，當(dāng)這些像元被選為訓(xùn)練樣本時(shí)，必然影響訓(xùn)練樣本光譜與參考光譜間的匹配，降低分類精度。并且“同物異譜，異物同譜”現(xiàn)象也會(huì)影響到訓(xùn)練樣本的提取，給樹種識(shí)別增加了難度。由于成熟林分不同樹種其高度范圍一般不同，本文首先對(duì)樣地實(shí)測(cè)各樹種的樹高分布進(jìn)行統(tǒng)計(jì)，選取各樹種相對(duì)集中的高度區(qū)間(且盡量保持各樹種間的高度區(qū)間不重疊)，用LiDAR獲取的3維垂直結(jié)構(gòu)信息對(duì)CASI影像分層進(jìn)行空間掩膜，使各樹種在各自的高度空間內(nèi)進(jìn)行訓(xùn)練樣本的提取，去除了林間空隙及不同高度樹種光譜的相互干擾，從而增大訓(xùn)練樣本的提取精度。 

3．3 訓(xùn)練樣本的自動(dòng)提取 

由于太陽輻照度的變化、大氣效應(yīng)和噪聲等因素的影響，地物固有的光譜特征在影像上會(huì)有失真，而光譜微分技術(shù)可以部分消除或減弱噪聲光譜對(duì)目標(biāo)光譜的影響，并能在某些光譜段增大不同植被間的差異。對(duì)于數(shù)據(jù)中的噪聲干擾，本文采用一階光譜微分技術(shù)，突出近紅外區(qū)域的植被光譜反射特性，降低噪聲的同時(shí)增大了植被間的差異，并在此基礎(chǔ)上進(jìn)行訓(xùn)練樣本的自動(dòng)提取。一階微分的定義:

式中，yi,j,λk表示高光譜影像第i列、第j行的像元在波長(zhǎng)λk處的反射率值。隨機(jī)選取60%的外業(yè)調(diào)查點(diǎn)作為參考點(diǎn)，從一階微分影像上提取相應(yīng)位置的各樹種均值光譜曲線作為參考光譜曲線，逐像元計(jì)算影像一階微分曲線與參考光譜曲線的相關(guān)系數(shù)Rxy。相關(guān)系數(shù)越大，說明兩曲線的匹配度越高，是相同樹種的可能性越大。

式中，Rxy 為相關(guān)系數(shù)，σxy為協(xié)方差，σxx、σyy為標(biāo)準(zhǔn)差。如果影像與參考光譜曲線進(jìn)行全波長(zhǎng)的匹配，一定程度上會(huì)因?yàn)椴ㄩL(zhǎng)區(qū)間過大而累加噪聲，造成訓(xùn)練樣本的誤判，因此計(jì)算相關(guān)系數(shù)的特征區(qū)間應(yīng)有所選擇。由于“綠峰”和“紅邊”是植被特有的光譜特征，不同樹種光譜曲線在該區(qū)間的吸收或反射特征有明顯差別，經(jīng)過試驗(yàn)比較，本文選取500—780nm可見光－近紅外波段區(qū)間作為研究區(qū)間，計(jì)算一階微分影像波譜與參考波譜間的Rxy。 

3．4 分類及精度驗(yàn)證 

支持向量機(jī)SVM是Vapnik提出的針對(duì)分類和回歸問題的統(tǒng)計(jì)學(xué)習(xí)算法。通過學(xué)習(xí)算法，自動(dòng)尋找那些對(duì)分類有較大區(qū)分能力的支持向量，構(gòu)造分類器，將類間間隔最大化。它是專門針對(duì)小樣本訓(xùn)練區(qū)分類的方法，彌補(bǔ)了傳統(tǒng)分類方法如最大似然法在高維、多源等大數(shù)據(jù)量情況下病態(tài)分類的不足，因而SVM在高光譜數(shù)據(jù)分類領(lǐng)域應(yīng)用廣泛。本文將機(jī)載高光譜與LiDAR數(shù)據(jù)融合，選用SVM算法對(duì)研究區(qū)進(jìn)行分類試驗(yàn)。 

高光譜數(shù)據(jù)由于波段間存在高相關(guān)性，數(shù)據(jù)冗余度高，因此分類前先對(duì)其進(jìn)行最小噪聲分離變換MNF(Minimum Noise Fraction Rotation)去相關(guān)，實(shí)現(xiàn)信號(hào)與噪聲分離，使信息更加集中在有限的特征集中，同時(shí)使光譜特征向類特征向量匯集，增強(qiáng)分類信息。

從定量、定性兩個(gè)方面對(duì)分類結(jié)果進(jìn)行評(píng)價(jià): 

(1)地面參考點(diǎn): 將剩余的40%樣地實(shí)測(cè)點(diǎn)及0.2m的航空正射影像圖作為分類結(jié)果的驗(yàn)證數(shù)據(jù)，建立誤差矩陣，統(tǒng)計(jì)計(jì)算總體及各樹種的分類精度值，定量比較分類精度; 

(2)林相圖: 將該區(qū)域的林相圖疊加在分類結(jié)果圖上，定性比較分類結(jié)果與林相圖小班內(nèi)優(yōu)勢(shì)樹種組成及成數(shù)的差異。 

4 結(jié)果與分析 

4．1 不同樹種基于樹高的區(qū)別 

由LiDAR數(shù)據(jù)得到的冠層高度模型CHM，可以表征林冠垂直分布，獲得各樹種不同的高度、空間分布和冠層密度等多重信息。本文初始 CHM空間分辨率為0.5m，為了與CASI影像的像元對(duì)齊，將CHM最鄰近法重采樣為1.5m。研究區(qū)實(shí)測(cè)的樹冠東西、南北主方向冠幅，一般在 6×6m2以上，即每個(gè)樹冠約占16個(gè)像元，因此重采樣后的CHM仍可以準(zhǔn)確的表達(dá)高光譜每個(gè)像元對(duì)應(yīng)的樹種高度，保證了對(duì)CASI分層掩膜的精度，提高訓(xùn)練樣本提取的準(zhǔn)確度，進(jìn)而有可能提高分類結(jié)果精度。圖4(a)為CHM的水平分割圖，顏色從藍(lán)至紅代表地物高度從低至高，地物高度越相近，顏色就越一致; 

圖4(b)為CHM的垂直剖面圖，可以看出林隙、樹高以及樹冠大小，其中最高點(diǎn)為一處38m高的瞭望塔。因此本文首先根據(jù)樣地實(shí)測(cè)樹種間樹高的差異(圖 5)，用CHM對(duì)CASI影像進(jìn)行掩膜，以增加光譜提取純度。

圖5為樣地實(shí)測(cè)各樹種的樹高分布圖，可以看出不同樹種高度分布有一定的范圍，為了準(zhǔn)確提取訓(xùn)練樣本，將各樹種的高度限定在一個(gè)較小且分布集中的范圍內(nèi)，避免其他樹種的干擾，以此作為CHM對(duì)高光譜空間掩膜的依據(jù)。由于研究區(qū)柳樹較少，多聚叢生長(zhǎng)，且光譜與其他樹種差異較大，容易提取到純凈光譜，因而直接在影像上提取其訓(xùn)練樣本。最終確定的各樹種掩膜高度為表2所示。

4．2 基于光譜的樹種區(qū)別 

選取一階微分曲線500—780nm反映植被生長(zhǎng)狀況的區(qū)間進(jìn)行波譜相關(guān)性分析，逐像元與參考點(diǎn)光譜微分均值曲線相匹配，計(jì)算相關(guān)系數(shù)并設(shè)置閾值，保留相關(guān)系數(shù)＞0.995的像元作為與參考點(diǎn)同類別的訓(xùn)練樣本。 

從原始光譜曲線(圖6)看，闊葉樹種中柳樹的反射率最高，與其他樣本的可分離性最大，可以直接對(duì)其進(jìn)行特征提取; 而其他樹種波形及峰值都很相近，特別是落葉松和紅松的光譜曲線相似度更高，直接進(jìn)行特征提取必然產(chǎn)生嚴(yán)重的混分現(xiàn)象，

但從一階微分曲線(圖7)上看，樹種間的差別比較明顯，且在“紅邊”范圍差異更加明顯。通過曲線匹配，可以很好地實(shí)現(xiàn)特征提取。

4．3 分類結(jié)果及精度評(píng)價(jià) 

4.3.1 僅使用高光譜變量(CASI)的分類精度 

僅使用高光譜數(shù)據(jù)分類的方法，由于受到相似高度和光譜信息的不同樹種干擾，訓(xùn)練樣本提取時(shí)存在精度不高的問題，從而導(dǎo)致混分的現(xiàn)象嚴(yán)重，影響了分類結(jié)果: 總體精度為76.71%，Kappa系數(shù)為0.71。其中闊葉樹的平均制圖精度和用戶精度分別為78.93%，86.16%(表3)，針葉樹為75.05%，73.59%。闊葉樹的總體分類精度好于針葉樹。柳樹的分類精度最高，用戶精度達(dá)到95.45%，紅松、落葉松和白樺精度相近，均為75%—80%，云冷杉最低，僅為63.34%。

4.3.2 高光譜加入CHM變量(CASI+CHM)的分類精度 

將樹種高度信息加入訓(xùn)練樣本的提取及分類過程中，減小了相似高度不同樹種光譜信息的相互干擾，訓(xùn)練樣本和參考樣本光譜曲線的相關(guān)系數(shù)更高，分類總體精度也有較大幅度提高，總體精度達(dá)到83.88%，Kappa系數(shù)為0.80; 兩種方法對(duì)柳樹的分類精度差異不大，對(duì)其他各樹種的分類精度普遍有所提高。白樺和云冷杉制圖精度和用戶精度相差很小，說明這兩個(gè)樹種的識(shí)別很穩(wěn)定，而落葉松和紅松相對(duì)差異偏大，可能這兩個(gè)樹種對(duì)訓(xùn)練樣本的敏感性較高; 就用戶精度而言，柳樹最高(95.65%)，落葉松、白樺次之(在85%以上)，云冷杉較僅CASI變量的分類提高較大(+13.52%)，紅松略有降低(－4.21%)。

與DOM參考影像比較可以看出，圖8(a)將明顯的道路誤分類為建筑物，而圖8(b)則實(shí)現(xiàn)了準(zhǔn)確分類。因此，采用CASI+CHM的分類結(jié)果優(yōu)于僅用CASI。與僅用CASI數(shù)據(jù)的分類結(jié)果相比，CASI+CHM各樹種分類精度變化量如圖9所示，大多數(shù)樹種的制圖精度和用戶精度均有提高。云冷杉的用戶精度提高最大，為13.52%，落葉松次之，提高11.83%，達(dá)到89.89%，紅松略有降低(－4.21%),但制圖精度略有提高(+8.06%); 從用戶和制圖精度看，云冷杉和白樺的精度提高穩(wěn)定且幅度較大，說明CASI+CHM數(shù)據(jù)應(yīng)用本文分類方法對(duì)柳樹、云冷杉和白樺樹種的識(shí)別很好，落葉松和紅松的識(shí)別不夠穩(wěn)定，但總體來說，CASI+CHM的總體精度高于僅CASI，加入樹高信息有效地提高了樹種的分類精度。CASI+CHM分類結(jié)果專題圖(圖10)將顯示各小班優(yōu)勢(shì)樹種組成成數(shù)的林相圖疊加在分類結(jié)果專題圖上進(jìn)行比較。可以看出，本文的分類結(jié)果與林相圖的樹種組成和分布總體吻合很好，僅局部個(gè)別小班存在一些差異，如林相圖上存在個(gè)別的小班優(yōu)勢(shì)樹種紅松占十成，而分類圖上對(duì)應(yīng)小班內(nèi)除紅松分布密度較大外還有占明顯比例的白樺林。為進(jìn)一步驗(yàn)證本文分類結(jié)果的準(zhǔn)確度，又將分類結(jié)果圖與 航空正射影像參考圖進(jìn)行了比對(duì)，發(fā)現(xiàn)兩者的一致性較高

說明本文將機(jī)載LiDAR與高光譜融合進(jìn)行高覆蓋度林區(qū)樹種分類的方法是可信的:不僅總體精度最高，大部分的樹種精度也比單純用高光譜數(shù)據(jù)精度高。

5 結(jié)論與討論 

高光譜遙感以其特有的超細(xì)光譜特征已經(jīng)在樹種識(shí)別方面發(fā)揮了優(yōu)勢(shì)。有研究表明，僅用機(jī)載高光譜數(shù)據(jù)對(duì)部分樹種分類，其精度達(dá)到 60%—90%，證明了機(jī)載高光譜的樹種分類能力。但是對(duì)于高覆蓋度的復(fù)雜林區(qū)，“同物異譜、異物同譜”等現(xiàn)象普遍存在，使得僅憑光譜信息區(qū)分樹種的高光譜數(shù)據(jù)受到限制; 而LiDAR能夠獲取3維結(jié)構(gòu)信息，特別適合于描述復(fù)雜林型的森林垂直分布特征，將機(jī)載LiDAR與高光譜數(shù)據(jù)融合對(duì)樹種分類是極具前景的。本文將機(jī)載LiDAR獲取的3維結(jié)構(gòu)信息與高光譜的光譜信息融合，應(yīng)用SVM分類器實(shí)現(xiàn)了研究 區(qū)的樹種分類。為評(píng)估LiDAR垂直結(jié)構(gòu)信息參與分類的貢獻(xiàn)，比較了僅高光譜(僅CASI)和高光譜與LiDAR(CASI+CHM)融合數(shù)據(jù)的分類精度。分類結(jié)果精度比較表明，CASI+CHM的分類總體精度和Kappa系數(shù)均高于僅CASI，分別為83.88%和0.80。

說明加入垂直結(jié)構(gòu)信息能有效提高高覆蓋度森林的樹種分類精度。分析其原因，主要是使得各樹種訓(xùn)練樣本的提取能夠在相對(duì)獨(dú)立的光譜空間完成，大大減少了“異物同譜，同物異譜”的干擾，使訓(xùn)練樣本提取更加準(zhǔn)確，而訓(xùn)練樣本的準(zhǔn)確程度直接影響到分類的精度。將分類結(jié)果圖與林相圖小班的優(yōu)勢(shì)樹種和成數(shù)相比較也說明本文分類方法是可行的，總體精度和大部分樹種的精度都很高。這與Dal- ponte等人、Trevor等人、Geerling等人以及Mundt等人應(yīng)用高光譜與LiDAR融合數(shù)據(jù)對(duì)復(fù)雜林區(qū)、灘地和灌叢牧場(chǎng)等分類的結(jié)論是一致的。但是本文分類方法，并不是對(duì)所有樹種都適用。如紅松的用戶精度最低，僅為75.15%，原因可能是研究區(qū)有部分紅松人工幼齡林，其高度在5—15m，與大部分同是針葉林型的落葉松、云冷杉高度近似，盡管訓(xùn)練樣本提取前進(jìn)行了高度掩膜、并對(duì)光譜曲線一階微分變換，但仍然會(huì)存在混分的現(xiàn)象，因此影響了樹種的分類精度。在后續(xù)的研究中，將嘗試增加其他的特征提取技術(shù)，以便更好地增大樹種間光譜曲線的可分性，再結(jié)合LiDAR的垂直結(jié)構(gòu)信息，有望進(jìn)一步提高樹種分類的精度。